تعمیم مدل های یادگیری عمیق برای معادلات انتشار متنوع

نویسندگان:

(1) J. Quetzalcóatl Toledo-Marín، دانشگاه بریتیش کلمبیا، موسسه تحقیقاتی بیمارستان کودکان BC، ونکوور BC، کانادا (ایمیل: [email protected])

(2) جیمز ا. [email protected])

(3) جفری فاکس، دانشگاه ویرجینیا، مؤسسه علوم رایانه و پیچیدگی زیستی، 994 Research Park Blvd، شارلوتزویل، ویرجینیا، 22911، ایالات متحده آمریکا (ایمیل: [email protected]).

چکیده و مقدمه

مواد و روش ها

نتایج

بحث

نتیجه گیری و مراجع

5. نتیجه گیری ها

هنگام انتخاب یک NN برای یک کار خاص، مهم است که عملکرد و الزامات کار مورد نظر را در نظر بگیرید. در حال حاضر هیچ اتفاق نظری در مورد اینکه NN برای یک کار معین بهینه است وجود ندارد، در درجه اول به دلیل تعداد زیاد گزینه های NN در دسترس، ماهیت به سرعت در حال تکامل این زمینه، و فقدان یک نظریه یادگیری عمیق جامع. این منجر به تکیه بر نتایج تجربی می شود. مقاله ما گام مهمی در ایجاد بهترین شیوه ها برای این نوع مشکلات است. ما بر روی منابع قرار داده شده تصادفی با شارهای تصادفی تمرکز کردیم که تغییرات زیادی در زمینه ایجاد می کنند. روش ما را می توان برای معادلات انتشار مختلف تعمیم داد.

بعنوان بخشی از…

Source link